一、DataFrame是否为空

判断整个DataFrame是否为空的方法：

pandas.DataFrame.empty

示例：

df = pd.DataFrame({'fruits':['apple', 'orange', 'watermelon'], 'price':[6, 4, 2]})
df
       fruits  price
0       apple      6
1      orange      4
2  watermelon      2

if df.empty:
    print('=== df为空 ===')
else:
    print('=== df非空 ===')  # === df非空 ===


df_empty = pd.DataFrame(columns=['fruits', 'price'])

df_empty
Empty DataFrame
Columns: [fruits, price]
Index: []

if df_empty.empty:
    print('=== df_empty为空 ===')  # === df_empty为空 ===
else:
    print('=== df_empty非空 ===') 

而判断具体某个元素是否为NAN，则可以使用isna()函数：

df = pd.DataFrame({'fruits':['apple', 'orange', 'watermelon'], 'price':[6, 4, 2]})
df
       fruits  price
0       apple      6
1      orange      4
2  watermelon      2
df.isna()
   fruits  price
0   False  False
1   False  False
2   False  False

或者使用空值的特征判断（NAN的一大特征就是不等于本身）：

np.nan != np.nan
True

二、DataFrame行/列差值计算

计算DataFrame行/列的差值使用：

DataFrame.diff(periods=1, axis=0)

其中，

• periods：默认值是1，表示两行/列的索引之差，即平移的区间，periods为正整数表示索引大的行/列减去索引小的，反之；
• axis：运算的轴，默认为0，表示按照行进行计算，axis=1，表示按照列进行计算。

示例：

2.1 periods示例

df = pd.DataFrame({'price':[6, 4, 2, 4, 6], 'weight': [12, 43, 23, 3, 5], 'total':[72, 172, 46, 12, 30]})

df
   price  weight  total
0      6      12     72
1      4      43    172
2      2      23     46
3      4       3     12
4      6       5     30

# 默认对行操作，periods=1表示后一行减前一行
df.diff(periods=1)
   price  weight  total
0    NaN     NaN    NaN
1   -2.0    31.0  100.0
2   -2.0   -20.0 -126.0
3    2.0   -20.0  -34.0
4    2.0     2.0   18.0

# periods=2表示做差的两行间相隔一行
df.diff(periods=2)
   price  weight  total
0    NaN     NaN    NaN
1    NaN     NaN    NaN
2   -4.0    11.0  -26.0
3    0.0   -40.0 -160.0
4    4.0   -18.0  -16.0

# 默认对行操作，periods=-1表示前一行减后一行
df.diff(periods=-1)
   price  weight  total
0    2.0   -31.0 -100.0
1    2.0    20.0  126.0
2   -2.0    20.0   34.0
3   -2.0    -2.0  -18.0
4    NaN     NaN    NaN

2.2 axis示例

df
   price  weight  total
0      6      12     72
1      4      43    172
2      2      23     46
3      4       3     12
4      6       5     30

# axis=0表示对行操作
df.diff(periods=1, axis=0)
   price  weight  total
0    NaN     NaN    NaN
1   -2.0    31.0  100.0
2   -2.0   -20.0 -126.0
3    2.0   -20.0  -34.0
4    2.0     2.0   18.0

# axis=1表示对列操作
df.diff(periods=1, axis=1)
   price  weight  total
0    NaN       6     60
1    NaN      39    129
2    NaN      21     23
3    NaN      -1      9
4    NaN      -1     25

三、DataFrame行/列变化率计算

计算DataFrame中行/列的变化率时使用函数：

pd.DataFrame.pct_change(periods, fill_method, limit, freq, **kwargs)

参数含义：

• periods : int类型，默认为1，含义同diff函数中的periods；
• fill_method : str类型, 默认为’pad’，表示在计算变化率之前如何处理空值。’pad’表示使用前一个值进行缺失值填充；
• limit : int类型, 默认为None，表示填充的最大NA的数量，如果NA的数量大于limit，那么停止填充NA元素；
• freq : DateOffset, timedelta, 或者 str类型，可选参数，表示时间序列 API 中使用的增量(例如“M”或BDay())；
• **kwargs，其他传递到 DataFrame.shift 或 Series.shift的关键字参数。

函数返回值类型与调用对象一致，为Series或者DataFrame。

Examples：

-----------
**Series**
-----------

        >>> s = pd.Series([90, 91, 85])
        >>> s
        0    90
        1    91
        2    85
        dtype: int64

        >>> s.pct_change()
        0         NaN
        1    0.011111
        2   -0.065934
        dtype: float64

        >>> s.pct_change(periods=2)
        0         NaN
        1         NaN
        2   -0.055556
        dtype: float64

        # 存在空值时，使用前一个有效值先填充后再计算
        >>> s = pd.Series([90, 91, None, 85])
        >>> s
        0    90.0
        1    91.0
        2     NaN
        3    85.0
        dtype: float64

        >>> s.pct_change(fill_method='ffill')
        0         NaN
        1    0.011111
        2    0.000000
        3   -0.065934
        dtype: float64

---------------
**DataFrame**
---------------

        >>> df = pd.DataFrame({
        ...     'FR': [4.0405, 4.0963, 4.3149],
        ...     'GR': [1.7246, 1.7482, 1.8519],
        ...     'IT': [804.74, 810.01, 860.13]},
        ...     index=['1980-01-01', '1980-02-01', '1980-03-01'])
        >>> df
                        FR      GR      IT
        1980-01-01  4.0405  1.7246  804.74
        1980-02-01  4.0963  1.7482  810.01
        1980-03-01  4.3149  1.8519  860.13

        >>> df.pct_change()
                          FR        GR        IT
        1980-01-01       NaN       NaN       NaN
        1980-02-01  0.013810  0.013684  0.006549
        1980-03-01  0.053365  0.059318  0.061876
        
        # 对列进行变化百分比计算，同时periods=-1表示前一列相对后一列的变化率
        >>> df = pd.DataFrame({
        ...     '2016': [1769950, 30586265],
        ...     '2015': [1500923, 40912316],
        ...     '2014': [1371819, 41403351]},
        ...     index=['GOOG', 'APPL'])
        >>> df
                  2016      2015      2014
        GOOG   1769950   1500923   1371819
        APPL  30586265  40912316  41403351
        
        >>> df.pct_change(axis='columns', periods=-1)
                  2016      2015  2014
        GOOG  0.179241  0.094112   NaN
        APPL -0.252395 -0.011860   NaN

笔者独自运营了微信公众号，用于分享个人学习及工作生活趣事，大家可以关注一波。（微信搜索“微思研”）